1. Partir d’un problème métier mesurable
Le point de départ n’est pas le modèle, mais une friction observable : temps de traitement, ressaisie, contrôle documentaire, orientation d’une demande ou qualité d’une décision. Décrivez la situation de référence, les utilisateurs concernés et l’indicateur qui permettrait de juger le pilote.
2. Définir la place de la décision humaine
Précisez ce que le système prépare, recommande ou exécute, ainsi que les cas qui exigent une validation ou une reprise humaine. Le règlement européen sur l’IA insiste sur la gestion des risques et, pour les systèmes à haut risque, sur la traçabilité et la surveillance humaine.
3. Qualifier les données avant la solution
Inventoriez les sources, la qualité, la représentativité, les droits d’accès, la durée de conservation et les données personnelles. La CNIL rappelle que tout traitement de données personnelles par un système d’IA doit respecter le RGPD et les droits des personnes.
4. Classer le risque réglementaire
Tous les cas d’usage n’ont pas le même régime. L’ACPR indique notamment que l’évaluation des risques et la tarification en assurance-vie et santé font partie des usages à haut risque prévus par l’AI Act. Faites confirmer la qualification juridique du cas réel au lieu de la déduire d’une étiquette générique.
5. Préparer l’intégration au SI et aux opérations
Cartographiez les entrées, sorties, interfaces, contrôles, erreurs possibles et responsabilités. Un pilote isolé peut démontrer une capacité technique sans prouver qu’elle s’intègre aux processus front office, back-office ou transverses.
6. Fixer des critères d’arrêt et de passage à l’échelle
Avant le test, convenez des seuils de qualité, de robustesse, de sécurité, d’explicabilité et d’adoption. Un résultat moyen mais bien compris peut être plus exploitable qu’une performance élevée impossible à contrôler.
7. Organiser la preuve
Conservez les versions, tests, décisions, limites connues, incidents et validations. Cette documentation facilite l’audit, la gouvernance et l’amélioration continue. Elle évite aussi de reconstruire après coup la logique du projet.
Une feuille de cadrage en une page
Pour démarrer, réunissez : problème et population concernés ; indicateur de référence ; résultat attendu ; données nécessaires ; rôle humain ; niveau de risque à confirmer ; interfaces SI ; responsables ; critères de succès et d’arrêt. Cet exemple est un canevas générique, à adapter au contexte réel.
Sources et prochaine étape
Sources vérifiées : règlement (UE) 2024/1689 sur l’intelligence artificielle ; page AI Act de l’ACPR ; ressources IA et sécurité des données de la CNIL. 10h10 Conseil accompagne les acteurs de l’assurance dans le cadrage, le pilotage de projets, l’évolution des processus et du SI, la data et l’intégration de l’IA.